云边协同背景下基于融合RF算法的电网数据资产综合处理技术

陈浩敏　梁锦照　马赘　李晋伟

摘要：针对现有大多数方法难以充分挖掘出电网数据潜在价值的问题，提出了一种云边协同背景下基于随机森林算法结合BP神经网络的电网数据资产综合处理技术。该技术在靠近电网数据源一侧部署边缘计算节点，以构建云边协同环境下的电网数字化资产管理系统。利用随机森林算法设计分类器完成电网数据类型的划分，并将各类型数据输入至BP神经网络中进行学习，通过不断地迭代优化输出相应的综合处理结果。基于Python平台进行的实验分析结果表明，所提技术的分类准确率均超过了90%，能够有效提升电网数据资产的处理效率。

关键词：云边协同；随机森林算法；BP神经网络；电网数据资产；电网数字化；分类器；数据处理；负荷预测

中图分类号：TM743 文献标志码：A 文章编号：1000-1646（2024）01-0054-06

随着电力信息智能化调度和电网设备管理的精细化要求日益提高，国内外对于电网实际资产规模管理、投资成本优化等问题提出了更高的要求。对于包含电网输出参数、用户信息以及设施设备信息的电网数据资产，由于其随着电网运行时间的增加和规模的扩展而呈指数级增长，因此亟需进一步优化管理流程，以提高电网数据资产的管理水平。在大数据背景下，结合大数据信息处理方法对电网资产进行合理评估与调度是当前国内外研究的重点。

电网资产信息的综合处理包含对相关数据的评估、调度，其本质是对基于大数据挖掘的电网资产信息时间序列分布进行分析，并结合优化调度及控制方法实现对电网资产信息的评估与处理。传统分析方法大多基于大数据预测和调度方法，结合相关性与自适应评估方法对电网资产信息进行处理。张伟昌等提出了一种基于大数据挖掘的电网资产分析模型，该模型将模糊C均值聚类（fuzzy C-means，FCM）算法与关联特征分解法相结合，进而对数据信息进行自适应重组，同时采用Lyapunov指数法完成对电网数据信息的预测。CHEN等基于电网资产管理技术的研究现状，分析了状态评估、可靠性和风险评估关键技术的重要性，指出数字化及信息化是资产管理中的重要支撑与关键技术。陈俊刚通过分析小波变化与Perona-Malik方程间的关系得到梯度扩散系数，并利用该系数改进电气设备行波检测模型，从而实现对故障的检测及预警。但由于信息规模的不断扩大，传统云计算的大数据处理方法在时效性和可靠性方面均暴露出了一定的问题。随着SG网络的发展，云边协同方法的优势逐步凸显。

针对传统方法无法满足电网数据资产信息处理体量大、可靠性及时效性要求较高的问题，在云边协同技术背景下，本文提出了一种基于随机森林（random forest，RF）算法结合BP（back propagation）神经网络的电网数据资产综合处理方法。该方法兼顾了数据处理的可靠性与时效性，提高了数据处理效率。

1 电网数字化资产管理系统设计

由于传统数据处理方式已无法满足云计算中数据实时处理的需求，因此需要对数据进行简化，这就导致某些关乎用户体验细粒度的数据被舍弃，从而无法深入挖掘电网数据的潜在价值。而边缘计算技术的兴起恰好解决了这一问题。不同于云计算的处理方式，边缘计算将数据处理下放到网络边缘侧的数据源附近，以实现数据及相关需求的就近处理与快速响应。这种计算方式不仅提升了用户侧快速调度的响应速度，减小了计算延时，还有效缓解了云计算中心存储和链路通信的压力。因此，本文在云计算的基础上，结合边缘计算技术设计了电网数字化资产管理系统，其整体架构如图1所示。

在该云边协同架构中，云中心和边缘计算节点各有分工：复杂度较高的非实时性与非全局性数据业务由云计算中心完成；而边缘计算节点主要完成小型实时本地数据处理业务。由于本地处理数据对通信及内存的要求较低，因此整体处理成本低，具有较高的经济性。用户端则为数据源头，可以提供精细化的多源信息，有助于支撑上层决策，并实现智能、便捷及个性的客户服务。系统的主要组成部分如下：

1）终端。用户端上传智能电表、变电站运行设备以及地理气象等数据至附近的边缘计算节点。

2）边缘端。边缘计算节点在数据库存储的历史数据基础上，结合处理后的实时数据作为分类器输入，利用随机森林算法对电网数据类型进行分类，并将分类后的数据类型传输至云端。相较于传统电网数据云端处理的统一管理，边缘节点可看作云中心在各区域分派了多个“管理员”来承担细粒度的区域管理任务。

3）云端。云中心利用BP神经网络对各区域的各种数据类型进行深入分析，以完成相应的处理任务，如负荷预测、设备故障诊断等。同时云中心将分析得到的结果与管控措施发送至各边缘节点，从而实现全系统数据的高效处理。

2 数据资产综合处理技术

对于单一的处理技术难以合理、高效地利用电网海量数据资产的问题，本文提出了融合处理技术。所设计的技术方案首先通过随机森林算法处理边缘节点所获取的各类电网数据，以区分其资产类型；然后再将各类型电网数据分别输入至BP神经网络中进行迭代学习，从而获得相应的处理结果，如负荷预测、故障诊断等。

2.1 数据预处理

電网数据的覆盖面广、类型庞杂，在取值范围、数量级甚至数据源种类方面均存在着较大差异。若未对电网数据进行预处理，可能会出现大量级数据覆盖小量级数据信息的情况，从而导致网络训练时间过长且分类结果不准确。因此需要对电网数据进行预处理，采用归一化数据处理方式，其数学表达式为

综上可知，BP神经网络在输入数据方面无严格要求，且通过不断地反向传播，误差将逐渐减小，并能处理输入与输出之间的非线性关系，从而实现应用服务预期值。因此，可以利用BP神经网络对电网数据进行综合处理，以充分挖掘数据资产的价值。例如在进行负荷预测时，通过智能电表等终端来采集各类负荷数据，并将其上传至边缘计算中心进行分类；在云平台处将分类结果、天气和用电习惯等数据输入BP神经网络，再经过学习分析，即可输出下一时刻的负荷值；根据负荷的预测结果生成相应的调度方案，从而保证电网的可靠运行。

3 实验结果与分析

实验所使用的硬件设备为Intel⑩CoreTM i7-7500 CPU@2.7GHz，RAM32 GB的Windows 10操作系统，利用PyTorch平台中深度学习框架与Scikit-Learn模块分别完成BP神经网络模型和随机森林算法分类器的训练。BP神经网络的参数设置如表1所示。

实验采用System Reg交叉编译工具以及Matlab仿真平台，设置电网数据资产信息的规模数为50000条，数据采样频率为1024kHz。

3.1 云边协同的数据处理效率分析

本文设计的技术方案基于云边协同的电网数据化资产管理系统而展开，在靠近数据源侧部署边缘计算节点能够更快地响应服务需求，提高数据处理效率。为了对此进行验证，将数据集分别在云计算测试组、云边协同计算测试组中运行，所得计算时间如图3所示。

从图3中可以看出，当数据规模小于25000条时，云计算的耗时始终低于云边协同。这是因为在云边协同的数据处理模式下，边缘计算节点会对数据进行预处理，然而其计算能力有限，因此比直接在云计算中心进行处理的耗时要长。但随着数据量的增加，云计算中心的处理能力逐渐趋于饱和，并出现网络拥塞等情况，所以耗时呈直线快速上升的趋势，且最终接近100s。在云边协同模式下，由于数据经过边缘计算节点预处理，上传至云中心的数据量大幅减少，因此当数据规模为50000条时，其耗时也仅为70s，明显少于云计算的耗时，由此证明了云边协同管理模式的有效性。

3.2 电网数据资产分类结果

利用随机森林算法划分电网数据资产的类型，不同数据类型的分类准确率如表2所示。其中，准确率Pr、召回率Re及F1值的计算公式为

式中：TP表示算法输出为正，实际也为正的样本数；FN表示算法输出为负，实际为正的样本数；FP表示算法输出为正，但实际为负的样本数。

从表2中可以看出，所提技术方案能够准确地划分电网的数据类型，尤其是用户信息具有显著的数据特征，其准确率可高达99.01%。而电网设备由于其设施众多且规格繁杂，例如电流互感器与电压互感器等易产生混淆。因此，其F1值仅为91.33%。但整体而言，所提技术能够准确识别电网数据类型，并为数据资产的合理利用奠定基础。

3.3 不同技术的处理结果

运用所提技术综合处理电网数据资产，可以发掘其潜在价值，进而实现多种应用需求，本文以负荷预测为例进行实验论证。为了验证所提技术对电网负荷数据的处理性能，将其与文献[6]方法进行对比，结果如图4所示。

由图4可知，所提技术得到的负荷预测值和真实值较为接近，而文獻[6]方法的波动明显。例如当时间为65s时，负荷真实值约为120kW，而文献[6]方法的预测值达到了140kW。这是由于所提技术结合了随机森林分类器与BP神经网络，能够更好地处理繁杂的数据，因此预测效果更优。文献[6]方法基于模糊C均值聚类法和关联特征分解法来实现负荷预测，此种方法较为传统，在处理数字化电网时的难度偏大，因此对于天气骤变等一系列突发状况，其预测效果并不理想。

4 结束语

在电网智能化发展的趋势下，科学、合理地发掘电网数据价值将在电网资产管理中发挥重要作用。本文提出了一种云边协同背景下基于随机森林算法结合BP神经网络的电网数据资产综合处理技术。该技术在构建云边协同环境下电网数字化资产管理系统的基础上，利用随机森林算法分类器划分电网的数据类型，并将其输入至BP神经网络中进行分析学习，从而得到相应的系统服务需求结果。基于Python平台的实验结果表明，云边协同的数据处理耗时明显少于云计算，且所提技术的分类准确率均超过了90%，同时负荷预测结果误差较小，由此论证了该技术的有效性与可靠性。

所提技术方案虽然取得了显著的成效，但其在实验中也存在一些不足。例如仅验证了负荷预测效果，而未对用户用电行为、电网设备运行情况等分析结果进行讨论。因此，将在后续的研究中对该技术进行不断地改进及完善，以提高其普适性。

（责任编辑：钟媛 英文审校：尹淑英）